印度尼西亚 BERT 基础模型（非大小写区分）

模型描述

这是一个使用掩码语言模型（MLM）目标在印度尼西亚维基百科和印度尼西亚报纸上进行预训练的BERT基础模型。该模型不区分大小写。

这是多个其他使用印度尼西亚数据集进行预训练的语言模型之一。有关其在下游任务（文本分类、文本生成等）中的使用的更多细节，请参阅 Transformer based Indonesian Language Models 。

目标用途和限制

使用方法

您可以直接使用此模型进行带掩码语言模型的流程：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='cahya/bert-base-indonesian-1.5G')
>>> unmasker("Ibu ku sedang bekerja [MASK] supermarket")

[{'sequence': '[CLS] ibu ku sedang bekerja di supermarket [SEP]',
  'score': 0.7983310222625732,
  'token': 1495},
 {'sequence': '[CLS] ibu ku sedang bekerja. supermarket [SEP]',
  'score': 0.090003103017807,
  'token': 17},
 {'sequence': '[CLS] ibu ku sedang bekerja sebagai supermarket [SEP]',
  'score': 0.025469014421105385,
  'token': 1600},
 {'sequence': '[CLS] ibu ku sedang bekerja dengan supermarket [SEP]',
  'score': 0.017966199666261673,
  'token': 1555},
 {'sequence': '[CLS] ibu ku sedang bekerja untuk supermarket [SEP]',
  'score': 0.016971781849861145,
  'token': 1572}]

以下是如何在PyTorch中使用此模型获取给定文本的特征的方法：

from transformers import BertTokenizer, BertModel

model_name='cahya/bert-base-indonesian-1.5G'
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertModel.from_pretrained(model_name)
text = "Silakan diganti dengan text apa saja."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

以下是如何在Tensorflow中使用此模型的方法：

from transformers import BertTokenizer, TFBertModel

model_name='cahya/bert-base-indonesian-1.5G'
tokenizer = BertTokenizer.from_pretrained(model_name)
model = TFBertModel.from_pretrained(model_name)
text = "Silakan diganti dengan text apa saja."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

训练数据

该模型使用了522MB的印度尼西亚维基百科和1GB的 indonesian newspapers 进行预训练。文本经过小写处理并使用WordPiece进行标记化，使用32,000个词汇表大小。模型的输入形式如下：

[CLS] 句子A [SEP] 句子B [SEP]